机器学习模型有助于识别治疗结核病的关键抗生素的耐药性

结核病 (TB) 仍然是全球十大主要死因之一，据报道，2020 年有超过 130 万人死亡。该疾病耐药形式的出现和传播使结核病在许多环境中的控制变得复杂。增加挑战的是，治疗耐药结核病是困难的(2019 年成功率为 57%)、时间长(治疗可能需要 9-20 个月)和多方面(治疗通常需要多种抗生素，会导致严重的副作用) )。

用于治疗耐药结核病的一类关键抗生素是氟喹诺酮类药物，它构成了大多数耐药结核病治疗方案的支柱。然而，结核病菌株已进化为对氟喹诺酮类药物产生耐药性，从而削弱了包括该类抗生素在内的治疗方案的功效。耐药结核病患者的最佳治疗方案理想情况下是通过使用药物敏感性测试确定的，该测试可以从表型上确定抗生素对特定结核病菌株的功效。然而，这些检测在资源匮乏、负担重的环境中很少见，这意味着这些地区的个人无法接受能够最好地治疗其结核病的专门治疗。此外，即使它们可用，表型测试也可能需要长达 12 周的时间才能提供结果。

耶鲁大学公共卫生学院卫生政策助理教授 Reza Yaesoubi 和他的研究团队一直在研究预测对氟喹诺酮类药物耐药性的模型，这可以加快提供最佳护理的过程。研究小组利用在摩尔多瓦共和国收集的国家结核病数据，评估了人口统计学和临床​​因素是否可以用作结核病对氟喹诺酮类药物耐药的预测因子。他们发现年龄、地理位置以及结核病是新发还是复发等信息可以作为耐药性的可靠预测指标。然后，他们通过机器学习创建了一个模型，以估计患者感染对氟喹诺酮类药物耐药的结核病菌株的概率。

“这些预测模型的主要优点之一是它们可以部署在护理点，让临床医生在等待药物敏感性测试结果的同时优化治疗方案，这可能需要长达 12 周的时间，”Yaesoubi 说.

与目前治疗耐药结核病的策略(最初假设对氟喹诺酮类药物易感性)不同，Yaesoubi 的模型解释了个体情况如何影响对氟喹诺酮类药物耐药的可能性，以及何时应使用替代抗生素(如 delamanid)。

通过严格的分析和测试，研究人员发现，新模型在为耐药结核病患者指定合适的治疗方法方面具有统计学上更高的净收益。Yaesoubi 说，这些发现保证了一个可以更好地治疗结核病患者的系统。展望未来，他希望将模型扩展到从摩尔多瓦共和国收集的数据之外，以包括其他资源不足、高负担的地区。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！